基于深度学习的血液库存预警方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114171173A(43)申请公布日2022.03.11(21)申请号202111494914.4G06N3/08(2006.01)(22)申请日2021.12.08(71)申请人山东众阳健康科技集团有限公司地址250098山东省济南市高新区新泺大街1166号奥盛大厦一号楼12层(72)发明人王立业高鹏彭永超丁磊孙钊(74)专利代理机构济南诚智商标专利事务所有限公司37105代理人张志欣(51)Int.Cl.G16H40/20(2018.01)G06Q10/08(2012.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书7页附图3页(54)发明名称基于深度学习的血液库存预警方法和系统(57)摘要本发明提出了基于深度学习的血液库存预警方法和系统，该方法包括将目标医院的用血信息转化为向量存入第一数据库；以及将目标医院同类别医院的用血信息转化为向量存入第二数据库；基于粗糙集理论对第一数据库和第二数据库进行属性约简；将约简后信息库中的数据按照预设的比例分为训练集、验证集和测试集；将目标医院同类别医院在第二预设时间段的用血信息输入到模型中，对模型中进行训练，并在验证集上验证选出损失总量最小的模型，通过测试集测试预测血液库存。基于该方法，还提出预警系统。本发明利用深度学习技术，分析同类别医院信息及本院以往患者用血情况，推测出合理的血液库存量，解决了医院不能准确合理的设定库存预警量的难题。CN114171173ACN114171173A权利要求书1/2页1.基于深度学习的血液库存预警方法，其特征在于，包括以下步骤：将目标医院的用血信息转化为向量存入第一数据库；以及将目标医院同类别医院的用血信息转化为向量存入第二数据库；基于粗糙集理论对第一数据库和第二数据库进行属性约简得到约简后信息库；将所述约简后信息库中的数据按照预设的比例分为训练集、验证集和测试集；将目标医院同类别医院在第二预设时间段的用血信息输入到LSTM模型中，对LSTM模型中进行训练，并在验证集上验证选出损失总量最小的模型，通过测试集测试预测血液库存。2.根据权利要求1所述的基于深度学习的血液库存预警方法，其特征在于，所述目标医院同类别医院的选取标准为：获取若干项医院基本信息；所述医院基本信息包括但不限于所属地区、医院级别、医院类别、手术量；根据每项基本信息与目标医院相对应基本信息的相似程度设置相似度值；设置每个医院基本信息所占的权重，得到与目标医院的相关度。3.根据权利要求1所述的基于深度学习的血液库存预警方法，其特征在于，所述将目标医院的用血信息转化为向量存入第一数据库具体包括：将目标医院f在第一预设时间段t的用血信息转换为向量Ft并存入第一数据库A。4.根据权利要求3所述的基于深度学习的血液库存预警方法，其特征在于，所述将目标医院同类别医院的用血信息转化为向量存入第二数据库具体包括：对于每个目标医院同类别医院pi(0≤i≤n)，将同类别医院在第二预设时间段d的用血信息转化为向量并存入信息库B；其中n为目标医院同类别医院的个数。5.根据权利要求4所述的基于深度学习的血液库存预警方法，其特征在于，所述基于粗糙集理论对第一数据库和第二数据库进行属性约简的过程为：设置条件属性和决策属性；所述决策属性为各个血液类型的用血量；除决策属性之外的属性为条件属性；采用粗糙集依赖度计算决策属性的重要度，采用互信息计算属性相关度，分别得到第一数据库A的第一核属性集a＝{a1，....，an}和第二数据库B的第二核属性集b＝{b1，....，bn}；计算第一核属性集a＝{a1，....，an}和第二核属性集b＝{b1，....，bn}的交集得到第三核属性集c＝{c1，....，cl}；从第一数据库A中取出包含第三核属性集c＝{c1，....，cl}的数据组成约减后的信息库A'。6.根据权利要求5所述的基于深度学习的血液库存预警方法，其特征在于，所述将所述约简后信息库中的数据按照预设的比例分为训练集、验证集和测试集的过程具体包括：将所述信息库A'中的数据按照70％、15％、15％的信息向量分别作为训练集、验证集、测试集。7.根据权利要求6所述的基于深度学习的血液库存预警方法，其特征在于，所述将目标医院同类别医院在第二预设时间段的用血信息输入到LSTM模型中，对LSTM模型中进行训练，并在验证集上验证选出损失总量最小的模型的过程为：2CN114171173A权利要求书2/2页将目标医院同类别医院在第二预设时间段d的用血信息输入LSTM模型中，以损失函数最小为优化目标，采用训练集以预设次数为周期对所述LSTM模型进行训练，得到d+1日期内的用血信息向量作为预测的用血信息；将d+1日